企业官网建设流程全解析

用 R 与 ggplot2 讲好一个数据故事：Data Science for Beginners 线图、散点图与条形图作业实战解析

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

本指南围绕 Data-Science-For-Beginners 课程第 09 课（R 版本）的课后作业展开：在明尼苏达州鸟类数据集（data/birds.csv）中，针对某一种特定鸟类深入挖掘数据，并运用本课学过的线图、散点图与条形图三种图表类型，在 notebook 中构建一个完整的数据叙事。读完本文，你将掌握 ggplot2 从数据清洗、异常值发现到分组比较的完整可视化流程，并能够按照作业评估标准交出一份兼具清晰注释、完整叙事与美观图表的作品。

作业目标：从"画图"到"讲故事"

作业原文（见 translations/da/3-Data-Visualization/R/09-visualization-quantities/assignment.md，英文原版见 translations/en/3-Data-Visualization/R/09-visualization-quantities/assignment.md）给出了明确的任务描述：

在本课中，你使用线图（line charts）、散点图（scatterplots）和条形图（bar charts）来展示这个数据集中的有趣事实。本作业要求你更深入地挖掘数据集，去发现关于某一种特定类型鸟类的有趣信息。例如，你可以编写一个脚本，将你能找到的关于雪雁（Snow Geese）的所有有趣数据可视化出来。请在 notebook 中使用上述三种图表类型来构建一个故事。

该作业的配套讲义 translations/da/3-Data-Visualization/R/09-visualization-quantities/README.md（R 版本原稿见 3-Data-Visualization/R/09-visualization-quantities/README.md）提供了完成作业所需的全部技术手段，包括：

• 用ggplot2绘制线图与散点图，观察鸟类最大翼展的分布；
• 通过geom_text()标注异常值；
• 用subset()过滤疑似录入错误的数据；
• 用dplyr的group_by()、summarise()与gather()分组统计并绘制条形图；
• 用coord_flip()将条形图转为水平展示；
• 通过叠加（superimpose）多个geom_bar()层进行多指标对比。

因此，本作业本质上是把讲义中的每一段代码，从"跟着课文学"升级为"围绕一个主题自主综合运用"。下面我们按作业要求的"三种图表讲一个故事"的路径完整走一遍。

第一步：准备数据，选定主角

作业要求的数据集存放在仓库根目录的 data/ 文件夹下。打开 R 控制台，导入数据集并查看前几行：

birds <- read.csv("data/birds.csv", fileEncoding = "UTF-8-BOM") head(birds)

以文件头 5 行为例，数据结构是文本与数值的混合体：

fileEncoding = "UTF-8-BOM"用于正确处理带 BOM 头的 CSV 文件。作业示例选定的"主角"是雪雁（Snow goose，学名Anser caerulescens），它在数据集中对应的记录为：体长 64–79 厘米、体重 2050–4050 克、翼展 135–165 厘米，隶属 Ducks/Geese/Waterfowl 类、Anseriformes 目、Anatidae 科、Anser 属，保护状态为 LC（无危）。选定一个具体物种后，作业的关键就成了：围绕它的这些数值维度，设计出三种图表来回答问题——它体长区间在同类中的位置？它的翼展在全数据集中算大还是小？它所属类别的数量构成如何？

第二步：线图与散点图——发现异常值，完成第一层叙事

先装包，再画线图

用ggplot2的第一步是安装并载入包：

install.packages("ggplot2") library("ggplot2") ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) + geom_line()

ggplot()指定数据集与 x、y 轴变量；group = 1让 ggplot2 把所有离散的 x 值视为一个序列进行连线；geom_line()负责绘制线图。此时可以看到一个非常明显的事实：至少有一个极端异常值——2000 多厘米的翼展意味着超过 20 米，这显然不可能是明尼苏达州真实存在的鸟类，多半是录入时多打了一个 0。

为了让图表可读，作业还要求对坐标轴进行打磨。在 README.md 的"构建鸟翼展线图"一节中，给出了完整的标签优化方案：

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) + geom_line() + theme(axis.text.x = element_text(angle = 45, hjust = 1)) + xlab("Birds") + ylab("Wingspan (CM)") + ggtitle("Max Wingspan in Centimeters")

其中theme(axis.text.x = element_text(angle = 45, hjust = 1))将 x 轴标签旋转 45 度，xlab()/ylab()分别设置坐标轴标题，ggtitle()设置图表标题。生成的效果如讲义中的配图所示：

用散点图给异常值"点名"

即使旋转 45 度，几百个鸟类名称仍无法全部展示。讲义的第二步策略是：只标注异常值，隐藏其余 x 轴标签，改用散点图腾出标注空间：

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) + geom_point() + geom_text(aes(label = ifelse(MaxWingspan > 500, as.character(Name), '')), hjust = 0, vjust = 0) + theme(axis.title.x = element_blank(), axis.text.x = element_blank(), axis.ticks.x = element_blank()) + ylab("Wingspan (CM)") + ggtitle("Max Wingspan in Centimeters")

geom_point()绘制散点；geom_text()配合ifelse(MaxWingspan > 500, as.character(Name), '')只对翼展超过 500 厘米的个体输出鸟名标签；hjust = 0, vjust = 0让标签从点的右上方开始排布；三行theme()参数分别隐藏了 x 轴标题、刻度文字与刻度线，让画面更清爽。

过滤异常值，让数据"讲道理"

这一散点图会揭示：秃鹰（Bald Eagle）与草原隼（Prairie Falcon）的最大翼展各被多加了一个 0。讲义随即用subset()生成剔除异常值的新数据框，并重新绘图：

birds_filtered <- subset(birds, MaxWingspan < 500) ggplot(data = birds_filtered, aes(x = Name, y = MaxWingspan, group = 1)) + geom_point() + ylab("Wingspan (CM)") + xlab("Birds") + ggtitle("Max Wingspan in Centimeters") + geom_text(aes(label = ifelse(MaxWingspan > 500, as.character(Name), '')), hjust = 0, vjust = 0) + theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())

过滤后数据更加连贯、可解释。需要留意的是：过滤后的数据集中最大翼展约为 250 厘米（如号手天鹅 Trumpeter swan），此时若仍沿用> 500的阈值，geom_text()将不会再输出任何标签。作为实战改进，你可以将阈值下调到过滤后数据的合理区间（例如MaxWingspan > 240），从而继续在高翼展个体上做标注——这也正是"围绕具体问题调整可视化参数"这一作业能力点的体现。

第三步：条形图——用分组统计回答"数量"问题

讲义在"探索条形图"一节提出了一组可以用条形图回答的问题：

• 数据集里有多少种鸟类类别，各自数量是多少？
• 有多少鸟是灭绝、濒危、稀有或常见的？
• 在林奈分类体系中，各属、各目分别有多少种？

分组汇总 + 堆叠条形图

先安装并载入数据处理所需的包，然后按Category分组，对多个数值列求均值并绘制堆叠条形图：

install.packages("dplyr") install.packages("tidyverse") library(lubridate) library(scales) library(dplyr) library(ggplot2) library(tidyverse) birds_filtered %>% group_by(Category) %>% summarise(n = n(), MinLength = mean(MinLength), MaxLength = mean(MaxLength), MinBodyMass = mean(MinBodyMass), MaxBodyMass = mean(MaxBodyMass), MinWingspan = mean(MinWingspan), MaxWingspan = mean(MaxWingspan)) %>% gather("key", "value", - c(Category, n)) %>% ggplot(aes(x = Category, y = value, group = key, fill = key)) + geom_bar(stat = "identity") + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B", "#2CA02C", "#1F77B4", "#9467BD")) + xlab("Category") + ggtitle("Birds of Minnesota")

流程拆解：group_by(Category)按类别分组；summarise()对六个数值列求均值并记录组内个体数n；gather("key", "value", - c(Category, n))把宽表转成长表，使六个指标可以作为同一个 x 轴类别下的多根"柱"；geom_bar(stat = "identity")直接使用数值作为柱高；scale_fill_manual()为六个指标指定一组明确的色板。

coord_flip：水平条形图更易读

上述堆叠图因未分组数据过多而难以阅读，讲义随即给出更实用的方案：先统计每个类别下的鸟类数量，再用coord_flip()转成水平条形图：

birds_count <- dplyr::count(birds_filtered, Category, sort = TRUE) birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) ggplot(birds_count, aes(Category, n)) + geom_bar(stat = "identity") + coord_flip()

dplyr::count(birds_filtered, Category, sort = TRUE)统计各类别数量并按降序排列；随后把Category列转成与排序一致的因子（factor），保证 ggplot2 按排序后的顺序绘制；coord_flip()将坐标轴对调，形成横向条形图。这幅图可以一眼看出：该地区数量最多的鸟类类别是 Ducks/Geese/Waterfowl——考虑到明尼苏达州是"万湖之地"，这个结果并不意外。你也可以沿这一思路做其他计数统计，例如按ConservationStatus、Order或Genus计数，通常会有新的发现。

比较与叠加：两两对比的进阶叙事

讲义"比较数据"一节展示了基于类别对最大体长进行排序比较的做法：

birds_grouped <- birds_filtered %>% group_by(Category) %>% summarise( MaxLength = max(MaxLength, na.rm = TRUE), MinLength = max(MinLength, na.rm = TRUE) ) %>% arrange(Category) ggplot(birds_grouped, aes(Category, MaxLength)) + geom_bar(stat = "identity") + coord_flip()

结果符合直觉：蜂鸟的最大体长最小，而鹈鹕与鹅类最大。na.rm = TRUE用于在聚合时忽略缺失值。更进一步，还可以在同一张图上叠加两个geom_bar()层，同时呈现某一类别的最小与最大体长：

ggplot(data = birds_grouped, aes(x = Category)) + geom_bar(aes(y = MaxLength), stat = "identity", position = "identity", fill = 'blue') + geom_bar(aes(y = MinLength), stat = "identity", position = "identity", fill = 'orange') + coord_flip()

position = "identity"让两层柱从同一基线开始绘制、相互覆盖，从而直观比较每个类别体长的上界与下界。这种"同坐标轴多几何层"的手法，正是作业中"用三种图表讲一个完整故事"所需要的进阶技巧。

作业示范：围绕雪雁构建三段式叙事

将以上技术串起来，一份达标的作业可以按如下结构组织（数据来自 data/birds.csv 中的 Snow goose 记录）：

1. 开场（线图/散点图）：先绘制全数据集的翼展分布，指出雪雁在整条曲线中的位置——其翼展区间 135–165 厘米处于中上水平；同时借助异常值标注完成对数据集质量的第一印象判断，引出"为什么要过滤数据"这一话题。
2. 展开（散点图）：过滤掉秃鹰与草原隼两处录入错误后，聚焦鸭雁类（Ducks/Geese/Waterfowl），对比雪雁与同属的雪雁（Ross's goose，翼展 113–116 厘米）、白额雁（Greater white-fronted goose，130–165 厘米）在体长与体重上的差异。
3. 收束（条形图）：用dplyr::count()按Category统计数量，说明雪雁所属类别在明尼苏达州是数量最多的类群；再叠加MaxLength与MinLength两层条形图，展示鸭雁类在体长维度上的跨度。

每一步都配上注释（例如"# 发现雪雁记录中翼展 135–165 cm 处于该类群中位区间"），并用文字串起因果，就同时满足了评分标准中的"清晰注释"与"扎实叙事"两项。

评估标准自检清单

作业的评估标准（见 assignment.md）分为三档：

对照此表，提交前可以逐项自检：

• 注释：每个代码块是否有#注释说明意图？关键步骤（装包、分组、过滤、叠加）是否解释清楚？
• 叙事：图表之间是否有逻辑递进（发现 → 过滤 → 比较 → 结论）？能否回答"雪雁这个物种在数据集中有什么独特之处"？
• 美观：是否应用了theme()、xlab()/ylab()、ggtitle()、scale_fill_manual()、coord_flip()等让图表更专业的修饰手段？

仓库中还提供了 Python 版本的第 09 课参考答案 3-Data-Visualization/09-visualization-quantities/solution/notebook.ipynb，其中用pandas与matplotlib完成了"观察翼展 → 名称与翼展对应 → 标注异常值"的同一分析路径，可作为对照参考（注意该 notebook 为 Python 内核，与本文的 R/ggplot2 实现语言不同）。

延伸挑战

讲义末尾的挑战环节建议：本数据集提供了特定生态系统内多种鸟类的丰富信息，可以继续在网上寻找其他与鸟类相关的数据集，围绕新数据练习构图，去发现此前未意识到的规律。R 生态中，除了ggplot2，还可以尝试lattice与plotly等可视化包，将同样的"数据 → 美学 → 几何"思维迁移到更多工具上——这正是本课乃至整个 Data Science for Beginners 课程希望沉淀下来的核心能力。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners